一种基于近红外光谱的牛肉糜多源掺假定性定量检测方法
本发明属于食品真实性鉴别与快速检测,具体涉及一种基于近红外光谱技术结合化学计量学方法,对牛肉糜中掺入猪肉、鸭肉及豌豆蛋白进行定性判别与定量预测的方法。
背景技术:
1、牛肉是人类膳食中重要的动物蛋白来源,富含优质蛋白质、血红素铁及锌等微量元素。近年来,随着居民生活水平提升与饮食结构优化,国内牛肉消费需求持续增长。据统计,2025年全国牛肉产量达801万吨,但供需缺口仍超过200万吨。牛肉肉糜作为速冻食品和连锁餐饮行业的核心原料,市场需求量逐年攀升。巨大的市场价值与供需缺口诱使部分不法商贩利用低价肉类或植物蛋白原料对牛肉制品进行替代或掺混,不仅侵害了消费者的合法权益,也可能因掺入未经标注的植物蛋白而对过敏人群构成健康威胁。
2、目前,用于肉制品掺假检测的常用方法包括聚合酶链式反应(pcr)法、酶联免疫吸附测定(elisa)法及色谱-质谱联用技术等。上述方法虽具有一定准确性,但普遍存在前处理繁琐、耗时长、需破坏样品、设备昂贵及操作技术要求高等局限性,难以满足现场分析与大规模快速筛查的实际需求。
3、近红外光谱技术是一种近年来快速发展的绿色、无损分析技术,其波长范围为780-2526 nm,通过检测样品分子中c-h、n-h、o-h等含氢基团振动的倍频与合频吸收信号,获取样品的化学组成信息。该技术具有分析速度快、无需化学试剂、不破坏样品、可同时测定多种组分等优势,已在食品掺假检测领域展现出良好的应用潜力。
4、然而,当前基于近红外光谱的肉糜掺假检测方法仍存在以下不足:一是光谱预处理方式多依赖经验选择,缺乏针对不同建模算法的系统性适配机制,导致预处理参数优化缺乏明确依据;二是特征波长筛选算法较为单一,未充分考虑不同模型对输入变量特征的偏好差异,限制了模型性能的进一步提升;三是现有研究多聚焦于动物源性成分检测,针对豌豆蛋白等新型植物蛋白原料的掺假特征研究仍较为薄弱;四是研究多局限于单一掺假物或单一模型,缺乏面向多源复合掺假体系的通用性建模方案。
技术实现思路
1、基于上述现有技术中存在的问题,本发明提出一种基于近红外光谱的肉糜掺假定性与定量的检测方法,通过建立“全波长优选预处理—特征波长分任务筛选—精简建模”的级联优化框架,旨在实现对牛肉糜中猪肉、鸭肉及豌豆蛋白掺假的高精度定性判别与定量预测。
2、本发明提供一种基于近红外光谱的牛肉糜多源掺假定性定量的检测方法,能够系统优化光谱预处理方式、特征波长筛选算法与建模方法之间的适配关系,针对牛肉与猪肉、鸭肉、豌豆蛋白三种典型掺假物质的二元至四元混合类型分别获得最优检测模型、进一步提高检测精度与效率。
3、为实现上述目的, 本发明提供如下技术方案:
4、一种基于近红外光谱的牛肉糜多源掺假定性定量的检测方法,包括以下步骤:
5、s1. 以牛肉糜为基底,制备掺假物选自猪肉、鸭肉、豌豆蛋白中至少一种的混合肉糜样本,采集各样本在900-2500 nm波长范围内的近红外漫反射光谱,建立近红外光谱数据库;
6、s2. 将光谱数据划分为训练集和测试集;
7、s3. 对训练集光谱执行多种预处理,结合多种定性和定量模型进行全波长建模,以模型性能指标确定各模型对应的最优预处理方式;其中,在定性模型中,pls-da和svm的最优预处理方式为标准正态变量变换结合一阶导数,cnn和elm的最优预处理方式为原始光谱;在定量模型中,plsr和svr的最优预处理方式为标准正态变量变换,cnn的最优预处理方式为标准正态变量变换结合一阶导数,elm的最优预处理方式为savitzky-golay平滑;
8、s4. 基于各模型最优预处理方式,采用至少一种特征波长筛选算法提取特征波长子集;其中,定性任务面向全部掺假类型统一筛选,定量任务按掺假物种类独立筛选;
9、s5. 基于特征波长子集重建模型,以模型性能指标确定定性最优模型和各掺假物对应的定量最优模型;其中,定性最优模型为raw-cars-elm,猪肉和鸭肉定量最优模型为snv-uve-svr,豌豆蛋白定量最优模型为snv-fd-cars-plsr;
10、s6. 取待测样本,采集其近红外光谱,代入定性最优模型判别掺假物种类,再代入对应定量最优模型预测掺假物含量。
11、进一步的,s1中,样本包括纯牛肉对照组、二元掺假体系、三元掺假体系和四元掺假体系;二元掺假物质量分数按0.5%-80%范围设置多个梯度,三元和四元掺假体系总掺假率按2%-50%范围设置多个水平。
12、进一步的,按掺假比例分段设置掺假梯度,掺假物质量分数0.5%-3%的痕量掺假区按0.5%-1%的间隔设置,掺假物质量分数5%-20%的低中掺假区按5%间隔设置,掺假物质量分数30%-80%的高掺假区按10%-20%间隔设置。
13、进一步的,s2中采用kennard-stone算法按7:3的比例将光谱数据划分为训练集和测试集。
14、进一步的,s3中所述预处理包括原始光谱(raw)、savitzky-golay平滑(sg)、多元散射校正(msc)、标准正态变量变换(snv)、一阶导数(fd)、sg平滑结合一阶导数(sg-fd)、msc结合一阶导数(msc-fd)、snv结合一阶导数(snv-fd);定性模型有偏最小二乘判别分析(pls-da)、支持向量机(svm)、卷积神经网络(cnn)、极限学习机(elm),定量模型有模型包括偏最小二乘回归(plsr)、支持向量回归(svr)、卷积神经网络(cnn)、极限学习机(elm);
15、进一步的,s3中定性模型为八分类模型,分类类别包括纯牛肉、牛肉-猪肉二元掺假、牛肉-鸭肉二元掺假、牛肉-豌豆蛋白二元掺假、牛肉-猪肉-鸭肉三元掺假、牛肉-鸭肉-豌豆蛋白三元掺假、牛肉-猪肉-豌豆蛋白三元掺假、牛肉-猪肉-鸭肉-豌豆蛋白四元掺假。
16、进一步的,s3和s5中所述模型性能指标包括定性模型的准确率、精确率、召回率和f1分数,以及定量模型的决定系数、预测均方根误差(rmse)和相对分析误差(rpd)。
17、进一步的,定性模型的精确率(precision)、召回率(recall)、准确率(accuracy)及f1分数分别为:
18、
19、其中,tp为被正确识别的掺假样本数, tn为被正确识别的纯牛肉样本数, fp为被误判为掺假的纯牛肉样本数, fn为被误判为纯牛肉的掺假样本数。
20、进一步的,定量模型的决定系数、预测均方根误差(rmse)和相对分析误差(rpd)分别为:
21、
22、
23、
24、其中为第个样本的实测值,为对应的预测值,为实测值的均值,为样本数,为样本标准差;、表示模型预测能力极佳。
25、进一步的,s4中所述的特征波长筛选的算法为自连续投影算法(spa)、竞争性自适应重加权采样(cars)、无信息变量消除法(uve)算法中的一种。
26、与现有技术相比,本发明提供了一种基于近红外光谱的肉糜掺假定性与定量的检测方法,具备以下有益效果:
27、(1)本发明通过“全波长优选预处理—特征波长分任务筛选—精简建模”的级联优化框架,实现了对牛肉糜中猪肉、鸭肉、豌豆蛋白三种典型掺假物的同步定性判别与精确定量分析,克服了传统方法仅针对单一掺假类型建模的局限。
28、(2)本发明揭示了不同建模算法与光谱预处理方式之间的匹配规律——线性模型宜采用消除散射效应的预处理方式,非线性模型对原始光谱或轻度平滑预处理更为适应——为同类型近红外光谱分析中预处理方法的系统性选择提供了明确依据。
29、(3)通过特征波长筛选实现了模型精简,定性模型波长数由全波段大幅降至64个,定量模型亦显著压缩变量规模,在保证高预测精度的前提下有效降低了模型复杂度。定性最优模型准确率达96.63%,猪肉和鸭肉掺假定量预测决定系数分别达0.9942和0.9756,豌豆蛋白掺假定量预测决定系数达0.9921,检测精度满足实际监管需求。
30、(4)本发明方法操作简便、分析速度快,且无需化学试剂和复杂前处理,适用于食品安全监管及企业质控等场景的快速筛查。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com